Analisis Prediksi Indeks Harga Konsumen Berdasarkan Kelompok Kesehatan Dengan Menggunakan Metode Backpropagation Anjar Wanto STIKOM Tunas Bangsa Pematangsiantar Pematangsiantar, Indonesia anjarwanto@amiktunasbangsa.ac.id Agus Perdana Windarto STIKOM Tunas Bangsa Pematangsiantar Pematangsiantar, Indonesia agus.perdana@amiktunasbangsa.ac.id Abstrak Analisis pada sebuah prediksi (peramalan) sangat penting dilakukan pada sebuah penelitian, agar penelitian menjadi lebih tepat dan terarah. Seperti halnya dalam memprediksi Indeks Harga Konsumen berdasarkan kelompok kesehatan, diperlukan adanya kajian-kajian dan penggunaan metode yang tepat untuk mendapatkan hasil yang optimal. Penelitian ini diharapkan dapat bermanfaat secara luas, baik bagi Pemerintah Daerah maupun pihak swasta sebagai salah satu bahan kajian dalam pengembangan bisnis, maupun bagi para akademisi sebagai bahan kajian/penelitian khususnya yang terkait dengan bidang ekonomi dan kebijakan publik. Data yang digunakan dalam penelitian ini adalah data Indeks Harga Konsumen berdasarkan kelompok Kesehatan yang berasal dari Badan Pusat Statistik Kota Medan dari tahun 2014 sampai dengan tahun 2016, bulan Januari sampai dengan Desember. Penelitian ini menggunakan metode jaringan saraf tiruan Backpropagation dengan menggunakan 8 model arsitektur, yakni : 12-5-1 yang nanti nya akan menghasilkan prediksi dengan tingkat akurasi sebesar 58%, 12-26-1 = 58%, 12-29-1 = 75%, 12-35-1 = 50%, 12-40-1 = 42%, 12-60-1 = 67%, 12-70-1 = 92% dan 12-75-1 = 50%. Sehingga diperoleh model arsitektur terbaik menggunakan model 12-70-1 yang menghasilkan tingkat akurasi sebesar 92%, MSE 0,3659742 dengan tingkat error yang digunakan 0,001 0,05. Dengan demikian, model ini cukup bagus untuk prediksi Indeks Harga Konsumen berdasarkan kelompok kesehatan. Kata Kunci; JST, Prediksi, IHK, Kesehatan, Backpropagation Berdasarkan tabel 1, bahwa setiap kelompok terdiri I. PENDAHULUAN dari beberapa sub kelompok. Adapun data sub A. Latar Belakang kelompok dari setiap sektor Indeks Harga Konsumen dapat dilihat pada tabel 2. berikut : Indeks Harga Konsumen (IHK) merupakan salah satu indikator ekonomi penting yang dapat Tabel 2. Kelompok Pengeluaran Indeks Harga Konsumen memberikan informasi mengenai perkembangan harga barang/jasa yang dibayar oleh konsumen di suatu wilayah. Penghitungan IHK ditujukan untuk mengetahui perubahan harga dari sekelompok tetap barang/jasa yang umumnya dikonsumsi oleh masyarakat setempat [1]. Indeks Harga Konsumen terdiri dari beberapa kelompok, salah satunya berdasarkan kelompok Kesehatan. Kesehatan perlu dibahas karena kesehatan sangat penting bagi umat manusia dalam kelangsungan rutinitas sehari-hari. Berdasarkan tabel 2, bahwa setiap sektor Indeks Tabel 1. Kelompok Pengeluaran Indeks Harga Konsumen Harga Konsumen memiliki peran penting dalam perkembangan ekonomi. Indeks Harga Konsumen sangat diperlukan dalam kegiatan ekonomi suatu negara karena informasi yang dihasilkan oleh Indeks Harga Konsumen merupakan informasi tentang perkembangan ekonomi yang nantinya menentukan kebijakan perekonomian dimasa yang akan datang.
Metode yang digunakan dalam pembahasan Indeks Harga Konsumen berdasarkan kelompok kesehatan ini adalah algoritma backpropagation. Diharapkan dengan adanya penggunaan metode ini maka akan didapatkan hasil seperti yang diinginkan, karena algoritma backpropagation memungkinkan untuk menghindari kesulitan yang dijelaskan menggunakan aturan belajar yang mirip dengan plastisitas lonjakan waktu yang tergantung pada sinapsis. Pada penelitian sebelumnya A. Wanto (2017), melakukan penelitian untuk memprediksi Indeks Harga Konsumen (IHK) Kelompok Bahan Makanan dengan menggunakan jaringan saraf tiruan Backpropagation dan Conjugate Gradient Fletcher Reeves. Penelitian tersebut menghasilkan tingkat akurasi sebesar 75% dan MSE 0,0142803691 apabila menggunakan metode Backpropagation dengan arsitektur terbaik yang digunakann 12-15-1. Sedangkan dengan menggunakan metode Conjugate Gradient Fletcher Reeves menghasilkan tingkat akurasi sebesar 67% dan MSE 0,0090116088 yang juga menggunakan model arsitektur 12-15-1. Kekurangan dari penelitian ini adalah hasil akurasi yang kurang maksimal, yang kemungkinan disebabkan oleh pemilihan arsitektur jaringan yang kurang tepat [2]. B. Rumusan Masalah Backpropagation membutuhkan waktu yang lama dalam proses pembelajaran prediksi data, sehingga dibutuhkan pemilihan parameter yang tepat. C. Batasan Penelitian Batasan atau ruang lingkup penelitian perlu dilakukan agar penelitian dapat terarah dengan baik dan tidak menyimpang dari pokok permasalahan. Adapun batasan atau ruang lingkup penelitian yang penulis ambil antara lain: 1. Penelitian ini hanya memprediksi perkembangan Indeks Harga Konsumen berdasarkan kelompok Kesehatan menggunakan Backpropagation. 2. Hanya akan membahas akurasi yang di hasilkan backpropagation. D. Tujuan Penelitian Tujuan dari penelitian inii adalah melakukan proses pembelajaran prediksi data pada metode backpropagation, sehingga nantinya mampu memberikan informasi yang praktis untuk sistem prediksi data, khususnya dalam memprediksi Indeks Harga Konsumen kelompok Kesehatan. E. Manfaat Penelitian Penelitian ini memberikan manfaat pada penggunaan jaringan saraf tiruan dalam beberapa kasus soft computing khususnya yang menggunakan algoritma backpropagation. II. TINJAUANN PUSTAKA A. Analisis Analisis adalah kemampuan pemecahan masalah subjek kedalam elemen-elemen konstituen, mencari hubungan-hubungan internal dan diantara elemenformat-format pemecahan elemen, serta mengatur masalah secara keseluruhan yang ada, sehingga pada akhirnya menjadi sebuah nilai-nilai ekspektasi [3]. B. Kecerdasan Buatan (Artificial Intelligence) Machine Learning (ML) menawarkan pendekatan alternatif untuk pemodelan prediksi standar yang mungkin mengatasi keterbatasan saat ini. ML dikembangkan dari studi pengenalan pola dan perhitungan semua penghasilan (yang disebut `kecerdasan buatan'). Hal ini sangat bergantung pada komputer untuk mempelajari semua interaksi linear dan non linier secara kompleks antara variabel dengan meminimalkan kesalahan antara hasil prediksi yang diamati. Selain prediksi berpotensi meningkatkan, ML dapat mengidentifikasii variabel asing, yang tidak mungkin untuk diamati tapi mungkin disimpulkan melalui variabel lain [4]. C. Jaringan Saraf Tiruan Jaringan Saraf Tiruan (JST) merupakan salah satu representasi buatan otak manusia yang selalu mencoba untuk mensimulasikan proses pembelajaran pada otak manusia [5]. D. Backpropagation Pendekatan jaringan saraf tiruan dapat meniru perilaku yang kompleks dan non-linear melalui neuron, dan telah banyak digunakan dalam prediksi. Model yang paling banyak digunakan pada kecerdasan buatan adalah model backpropagation. Ciri khas backpropagation melibatkan tiga lapisan : lapisan input, dimana data diperkenalkan ke jaringan; hidden layer, dimana data diproses; dan lapisan output, di mana hasil dari masukan yang diberikan oleh lapisan input [6]. E. Indeks Harga Konsumenn Indeks Harga Konsumen merupakan indeks yang menggambarkan perubahan harga dari waktu ke waktu, sehingga sangat cocok dianalisis dengan analisis time series [7]. F. Prediksi (Peramalan) Prediksi (peramalan) adalah usaha menduga atau memperkirakan sesuatu yang akan terjadi di waktu mendatang dengan memanfaatkan berbagai informasi yang relevan pada waktu-waktu sebelumnya (historis) melalui suatu metode ilmiah. Tujuan dari prediksi adalah mendapatkan informasi apa yang akan terjadi di masa datang dengan probabilitas kejadian terbesar.
Metode prediksi dapat dilakukan secara kualitatif melalui pendapat para pakar atau secara kuantitatif dengan perhitungan secara matematis. Salah satu metode prediksi kuantitatif adalah menggunakan analisis deret waktu (time series) ) [8]. III. METODOLOGI PENELITIAN Metodologi penelitian adalah langkah dan prosedur yang akan dilakukan dalam pengumpulan data atau informasi guna memecahkan permasalahan dan menguji hipotesis penelitian. A. Kerangka Kerja Penelitian Pada bagian ini akan diuraikan metodologi dan kerangka penelitian kerja yang digunakan dalam menyelesaikan masalah penelitian. 4. Praproses Tahapan yang dikerjakan adalah dengan melakukan perubahan terhadap beberapa tipe data pada atribut dataset dengan tujuan untuk mempermudah pemahaman terhadap isi record, juga melakukan seleksi dengan memperhatikan konsistensi data, missing value dan redundant pada data. 5. Menentukan Model Hasil dari tahap inii adalah beberapa model jaringan saraf tiruan dengan metode Backpropagation untuk menentukan pola 6. Menguji Hasil Pengolahan Data Seteleh proses penentuan model selesai, maka dilakukan tahapan uji coba terhadap hasil pengolahan data dengan menggunakan Software Matlab R2011b (7.13) 7. Memprediksi Prediksi dilakukan untuk membandingkan jumlah dengan model Jaringan Saraf Tiruan dengan metode Backpropagation yang paling akurat 8. Mengevaluasi Akhir Mengevaluasi akhir dilakukan untuk mengetahui apakah testing hasil pengolahan data sesuai dengan yang diharapkan. B. Arsitektur Jaringan Contoh arsitektur jaringan yang digunakan dapat dilihat pada Gambar 2. yang terdiri dari tiga lapisan, yaitu : 12 masukan (input) t), 12 neuron hidden layer dan 1 lapisan keluaran (output). Gambar 1. Kerangka Kerja Penelitian Berdasarkan kerangka kerja padaa gambar diatas maka masing-masing langkah dapat diuraikan sebagai berikut : 1. Mengumpulkan Data Pada tahap ini, data-data diperoleh dari Berita Resmi Statistik (BRS) yang rutin diterbitkan secara bulanan oleh Badan Pusat Statistik (BPS) Kota Medan. 2. Studi Pustaka Studi pustaka merupakan langkah awal dalam penelitian ini, studi pustakaa ini dilakukan untuk melengkapi pengetahuan dasar dan teori- teoriyang digunakan dalam penelitian ini 3. Mengidentifikasi Masalah Pada tahap identifikasi masalah ini, dilakukan setelah semua data-data terpenuhi kemudian didapatkan dataset yang sesuai untuk dilakukan proses pada tahap konversi data yang didapat sesuai dengan bobot yang ditentukan Gambar 2. Arsitektur Jaringan Saraf Tiruan Yang Digunakan Keterangan : X 1 X 12 : Data masukan (input layer) b (warna merah) : Bias
V ij : Bobot ke simpul hidden W ij : Bobot ke simpul output Z 1 Z 12 : Hidden Layer Y : Hasil Keluaran (output) Pola arsitektur jaringan yang digunakan untuk prediksi Indeks Harga Konsumenn (IHK) yaitu 12-N-1. Dimana 12 adalah node data input. Sedangkan jumlah hidden node N menggunakan aturan rule of thumb, serta 1 keluaran. C. Data Yang Digunakan Data yang digunakan dalam penelitian ini adalah data Indeks Harga Konsumen (IHK) kota Medan berdasarkan kelompok kesehatan dari tahun 2014 sampai 2016, dari Januari sampai Desember. Tabel 3. Data Indeks Harga Konsumen Kelompok Kesehatan Dataset Indeks Harga Konsumen berdasarkan kelompok kesehatan pada 2014-2015 digunakan sebagai data Training, sedangkan dataset pada 2015-2016 digunakan sebagai testing data. Data yang disajikan adalah data Januari sampai Desember setiap tahunnya. Data Training dan testing ini nantinya akan dilakukan dengan menggunakan rotasi putar, maksudnya setiap dataset memiliki hak yang sama untuk mencapai target. D. Normalisasi Data Sebelum diproses, data dinormalisasi terlebih dahulu. Normalisasi terhadap data dilakukan agar keluaran jaringan sesuai dengann fungsi aktivasi yang digunakan. Fungsi aktivasi yang peneliti gunakan dalam penelitian ini adalah fungsi aktivasi sigmoid. Fungsi sigmoid adalah fungsi asimtotik (tidak pernah mencapai 0 ataupun 1), maka transformasi data dilakukan pada interval yang lebih kecil yaitu [0.1; 0.9], ditunjukkan dengan persamaan (1). 0.8 ( x a ) x ' 0.1 (1) b a Tabel 4. Data Training Awal Sebelum Normalisasi Penjelasan : - Data Training Tahun 2014-2015 dilakukan dengan menggunakan rotasi putar, maksudnya setiap dataset memiliki hak yang sama untuk mencapai target. - Nilai data 1 diambil dari IHK kelompok kesehatan tahun 2014. Sedangkan nilai Target diambil dari IHK kelompok kesehatan bulan Januari tahun 2015. - Nilai data 2 diambil dari IHK kelompok kesehatan tahun 2014 bulan Februari s/d Desember serta dataset bulan Januari tahun 2015. Nilai Target pada pola 2 ini diambil dari IHK kelompok kesehatan bulan Februari tahun 2015. - Nilai data 3 diambil dari IHK kelompok kesehatan tahun 2014 bulan Maret s/d Desember serta dataset bulan Januari s/d Februari tahun 2015. Nilai Target pada pola 3 ini diambil dari IHK kelompok kesehatan bulan Maret tahun 2015. - Begitu seterusnya hingga seluruh nilai selesai di putar. - Nilai maksimum (b) dari dataset adalah 114,44. Sedangkan nilai minimumm (a) adalah 103,39. - Dengan menggunakan fungsi sigmoid maka akan di peroleh data normalisasi sebagai berikut : 0,8 (103,39 103,39) = + 0,1 114,44 103,39 Maka akan didapatkan hasil Normalisasi pola 1 untuk bulan Januari 0,1000. Begitu seterusnya untuk semua data, di normalisasi dengan menggunakan fungsi yang sama. Tabel 5. Data Training Setelah Normalisasi data training pada tabel 5 diperoleh dengan menggunakan rotasi putar berdasarkan tabel 3, tahun 2014-2015. Tabel 6. Data Testing Awal Sebelum Normalisasi
Volume 2 Nomor 1, Oktober 2017 Penjelasan : - Data testing Tahun 2015-2016 dilakukan dengan menggunakan rotasi putar, maksudnya setiap dataset memiliki hak yang sama untuk mencapai target. - Nilai data 1 diambil dari IHK kelompok kesehatan tahun 2015. Sedangkan nilai Target diambil dari IHK kelompok kesehatan bulan Januari tahun 2016. - Nilai data 2 diambil dari IHK kelompok kesehatan tahun 2015 bulan Februari s/d Desember serta dataset bulan Januari tahun 2016. Nilai Target data 2 ini diambil dari IHK kelompok kesehatan bulan Februari tahun 2016. - Nilai data 3 diambil dari IHK kelompok kesehatan tahun 2015 bulan Maret s/d Desember serta dataset bulan Januari s/d Februari tahun 2016. Nilai Target data 3 ini diambil dari IHK kelompok kesehatan bulan Maret tahun 2016. - Begitu seterusnya hingga seluruh nilai selesai di putar. - Nilai maksimum (b) dari dataset adalah 121,26. Sedangkan nilai minimum (a) adalah 108,28. - Dengan menggunakan fungsi sigmoid maka akan di dapat data normalisasi sebagai berikut : 0,8 (108,28 108,28) = + 0,1 121,26 108,28 - Maka akan didapatkan hasil Normalisasi 1 untuk bulan Januari 0,1000. Begitu seterusnya untuk semua data, di normalisasi dengan menggunakan fungsi yang sama. Tabel 7. Data Testing Setelah Normalisasi Tabel 8. Arsitektur JST Backpropagation Karakteristik Arsitektur Spesifikasi 1 lapisan tersembunyi Neuron input 12 Neuron Hidden 5,, 26, 29, 35, 40,60,70,75 Fungsi Aktivasi Sigmoid Inisialisasi bobot Random Goal 0..001 Minimum Error 0..001 0.05 Maksimum Epoch 10000 Learning Rate 0..01 A. Analisis Sebelumnya data yang akan diujikan haruslah dibagi menjadi dua (2) bagian, di mana bagian pertama adalah untuk data training dan bagian kedua adalah untuk data testing. Parameter-parameter yang digunakan secara umum pada aplikasi Matlab untuk training dan testing dapat dilihat pada kode berikut: >> net=newff(minmax(p),[hidden,target],{'logsig','purelin'},'traingd'); >> net.iw{1,1}; >> net.b{1}; >> net.lw{2,1}; >> net.b{2}; >> net.trainparam.epochs=10000; >> net.trainparam.lr=0.01; >> net.trainparam.goal = 0.001; >> net.trainparam.show = 1000; B. Hasil Penelitian ini menggunakan 8 arsitektur. Antara lain 12-5-1, 12-26-1, 12-29-1, 12-35-1, 12-40-1, 12-60-1, 12-70-1, 12-75-1. Dari ke 8 arsitektur ini, arsitektur terbaiknya yaitu 12-70-1 dengan tingkat akurasi sebesar 92%. data testing pada tabel 6 juga diperoleh dengan menggunakan rotasi putar berdasarkan tabel 3, tahun 2015-2016. IV. ANALISIS DAN HASIL Langkah pertama yang harus dilakukan untuk memprogram backpropagation dengan software Matlab adalah membuat inisialisasi jaringan. Sebelum Training dilakukan, terlebih dahulu ditentukan nilai parameter yang diinginkan guna memperoleh hasil yang optimal. Gambar 3. Hasil Data Training 12-70-1
Volume 2 Nomor 1, Oktober 2017 Dari gambar model arsitektur 12-70-1 diatas dapat dijelaskan bahwa Epoch yang terjadi sebesar 5931 dengan lama waktu 45 detik. 2. Model Arsitektur jaringan yang digunakan sangat mempengaruhi tingkat training dan testing. 3. Dengan melihat hasil pengujian, dapat diambil kesimpulan bahwa terjadi kecepatan dan hasil akurasi yang bervariasi pada 8 percobaan di setiap pengujian yang dilakukan. Gambar 4. Hasil Epoch Training Dengan Arsitektur 12-70-1 Dari gambar model arsitektur 12-70-1 diatas dapat dijelaskan bahwa dari Epoch training dapat diperoleh Mean Square Error (MSE) sebesar 0,00099976. Tabel 9. Hasil Data Training Dan Testing Pada Arsitektur 12-70-1 Tabel 10. Hasil Training Dan Testing Backpropagation V. KESIMPULAN Kesimpulan yang dapat diambil dari penelitian ini adalah sebagai berikut: 1. Dengan model arsitektur 12-70-1, dapat melakukan prediksi Indeks Harga Konsumen berdasarkan kelompok kesehatan dengan Akurasi 92%. Referensi [1] M. S. Frits Fahridws Damanik, SST and S. Magdalena Sinaga, No. Publikasi: 1273.15.21, Publikasi Analisa Indeks Harga Konsumen Kota Pematangsiantar, 2014. [2] A. Wanto, M. Zarlis, and D. Hartama, Analysis of Artificial Neural Network Backpropagation Using Conjugate Gradient Fletcher Reeves In The Predicting Process, International Conference Information and Communication Technology (IConICT), 2017. [3] Mirsantoso, T. U. Kalsum, and R. Supardi, Implementasi Dan Analisa Per Connection Queue ( PCQ ) Sebagai Kontrol Penggunaan Internet Pada Laboratorium Komputer, Jurnal Media Infotama, vol. 11, no. 2, pp. 139 148, 2015. [4] S. F. Weng, J. Reps, J. Kai, J. M. Garibaldi, and N. Qureshi, Can Machine-learning improve cardiovascular risk prediction using routine clinical data?, PLoS One, vol. 12, no. 4, pp. 1 15, 2017. [5] A. P. Windarto, Implementasi JST Dalam Menentukan Kelayakan Nasabah Pinjaman Kur Pada Bank Mandiri Mikro Serbelawan Dengan Metode Backpropogation, Jurnal Sains Komputer & Informatika, vol. (1), no. 1, pp. 12 23, 2017. [6] D. Huang and Z. Wu, Forecasting outpatient visits using empirical mode decomposition coupled with backpropagation artificial neural networks optimized by particle swarm optimization, PLoS One, vol. 12, no. 2, pp. 1 18, 2017. [7] Listyowati and B. S. S.U, Pemodelan Indeks Harga Konsumen (IHK) Umum Berdasarkan IHK Sektor Bahan Makanan dan IHK Sektor Makanan Jadi, Minuman/Rokok, Jurnal Sains Dan Seni Pomits, no. 3, pp. 323 328. [8] Nurmahaludin, Analisis Perbandingan Metode Jaringan Syaraf Tiruan Dan Regresi Linear Berganda Pada Prakiraan Cuaca, Jurnal INTEKNA, no. 2, 2014.